Las casas ‘difíciles de descarbonizar’ (HtD) son responsables de más de una cuarta parte de todas las emisiones directas de las viviendas, pero rara vez se identifican o se destinan a mejoras. La Universidad de Cambridge (Reino Unido) ha entrenado un nuevo modelo de aprendizaje profundo que promete que sea mucho más fácil, rápido y económico identificar las viviendas menos ecológicas, para poder desarrollar una estrategia para mejorar su eficiencia.
El nuevo modelo de inteligencia artificial (IA) tiene la capacidad de clasificar casas HtD con un 90% de precisión y los investigadores esperan que esta cifra aumente a medida que agregan más datos, trabajo que ya está en marcha. El modelo también ayuda a las autoridades a comprender la distribución geográfica de las viviendas HtD, permitiéndoles orientar e implementar intervenciones de manera eficiente.
Los investigadores entrenaron su modelo de IA utilizando datos de su ciudad natal de Cambridge, en el Reino Unido. Introdujeron datos de certificados de rendimiento energético (EPC), así como datos de imágenes de vistas de la calle, imágenes de vistas aéreas, temperatura de la superficie del terreno y parque de edificios. En total, su modelo identificó 700 casas HtD y 635 casas no HtD. Todos los datos utilizados fueron de código abierto.
Identificación de partes de los edificios menos eficientes
Con el objetivo de hacer un modelo de IA más preciso y que proporcione información más detallada, los investigadores están trabajando en un marco aún más avanzado que aportará capas de datos adicionales relacionadas con factores como el uso de energía, los niveles de pobreza y las imágenes térmicas de las fachadas de los edificios.
El modelo ya es capaz de identificar partes específicas de los edificios, como tejados y ventanas, que están perdiendo más calor, y si un edificio es antiguo o moderno. Pero los investigadores confían en que pueden aumentar significativamente el detalle y la precisión.
Asimismo, ya están entrenando modelos de IA basados en otras ciudades del Reino Unido utilizando imágenes térmicas de edificios y están colaborando con una organización basada en productos espaciales para beneficiarse de imágenes térmicas de mayor resolución procedentes de nuevos satélites.